CAPES quadrienal 2013-2016. Análise da produção intelectual
Comissão da Área da Psicologia
22/10/2017
Indicadores de Produção baseados na Tabela da Melhor Produção.
Os principais indicadores foram calculados com nos melhores itens do programa tendo como teto 4 itens por docentes permanentes por ano.
Contribuição docente
Internacionalização
Um item foi classificado como internacional se: (a) publicado nas revistas tipo 1 (internacionais da psicologia) ou 2 (internacionais gerais), (b) se publicado nas revisdtas nacionais A1 ou A2 em inglês e (c) se for um livro/capítulo com idioma estrangeiro ou multilíngue
A proporção de itens internacionais foi calculada pela soma de itens classificados pelos critérios acima dividida pelo teto do programa. Utilizaram-se itens com pontuação maior ou igual a 60 (equivalente a pelo menos B1/C3/L1 ou maior)
Regressão das notas pelos principais indicadores de produção
| conceito_16 | ||||||
| B | CI | std. Beta | CI | p | ||
| (Intercept) | 2.70 | 0.83 – 4.57 | .005 | |||
| poly(Ind.25.contr_doc, 2)1 | 3.46 | 0.71 – 6.20 | 0.35 | 0.08 – 0.63 | .014 | |
| poly(Ind.25.contr_doc, 2)2 | 0.42 | -1.29 – 2.13 | 0.04 | -0.12 – 0.20 | .626 | |
| Ind.24.qual_liv_cap | 0.01 | -0.01 – 0.02 | 0.06 | -0.15 – 0.26 | .572 | |
| Ind.23.qual_art | 0.00 | -0.02 – 0.02 | 0.04 | -0.21 – 0.29 | .753 | |
| Ind.30_intern_tud | 0.00 | -0.01 – 0.01 | 0.06 | -0.12 – 0.24 | .503 | |
IND 1_Fator H
|
0.10 | 0.06 – 0.15 | 0.45 | 0.25 – 0.65 | <.001 | |
| status_juridFEDERAL | 0.08 | -0.23 – 0.40 | 0.04 | -0.11 – 0.20 | .598 | |
| status_juridPARTICULAR | 0.04 | -0.31 – 0.39 | 0.02 | -0.13 – 0.17 | .829 | |
| Observations | 82 | |||||
| R2 / adj. R2 | .758 / .732 | |||||
Análise de cluster dos indicadores
Análise fatorial dos indicadores
vars <- names(tmp2)[c(67:105)]
fa.parallel(tmp2[ , vars])## Warning in cor.smooth(R): Matrix was not positive definite, smoothing was done
## Warning in cor.smooth(R): Matrix was not positive definite, smoothing was done## Warning in cor.smooth(r): Matrix was not positive definite, smoothing was done## The estimated weights for the factor scores are probably incorrect. Try a different factor extraction method.
## Parallel analysis suggests that the number of factors = 6 and the number of components = 5 pca_ind <- principal(tmp2[ , vars], nfactors =5)## Warning in cor.smooth(r): Matrix was not positive definite, smoothing was done print.psych(pca_ind, digits = 2, cut = .3, sort = TRUE) ## Principal Components Analysis
## Call: principal(r = tmp2[, vars], nfactors = 5)
## Standardized loadings (pattern matrix) based upon correlation matrix
## item RC1 RC2 RC4 RC3 RC5 h2 u2 com
## IND 36_Atuação 0 Educação superior (Pesquisa C0EE) 38 0.86 0.83 0.166 1.3
## IND 11_Defesa/DP 11 0.84 0.83 0.170 1.3
## IND 6_Disc/DP 6 0.83 0.76 0.240 1.2
## IND 15_Escore médio itens egressos 15 0.73 0.42 0.83 0.174 2.2
## IND 18_Tempo Medio conc. (Dr) 20 0.72 0.34 -0.34 0.81 0.185 2.2
## IND 34_Taxa de emprego medida 0 Pesquisa C0EE 36 0.63 0.36 0.39 0.70 0.304 2.5
## IND 36_Atuação na Educação (Pesquisa CNAEE) 37 0.55 0.32 -0.37 0.61 0.388 3.1
## IND.26A %de melhoria qualidade média dos artigos 27 0.53 0.38 0.51 0.491 2.4
## IND.26B % de melhoria qualidade média dos livros 28 0.49 0.42 0.50 0.500 2.8
## IND 33_Escore médio Inserção Social 35 0.47 0.33 0.30 0.51 0.487 3.6
## IND 30_intern_Tudo (%) 32 0.84 0.76 0.241 1.2
## IND 23_qualid Artigos 24 0.80 0.77 0.235 1.4
## IND 1_Fator H 1 0.39 0.73 0.74 0.262 1.8
## IND 31_H (Balanceado por área) 33 0.72 0.65 0.347 1.5
## IND 25_Contribuição_média_DP 26 0.59 0.64 0.87 0.126 2.6
## IND.24_qualid.livros_capítulos 25 0.47 0.56 0.59 0.411 2.3
## IND 32_Colabor. Internac. 34 0.56 0.33 0.44 0.560 1.7
## IND 14_% Egressos 1 item pub 14 0.47 0.52 0.33 0.65 0.354 3.1
## IND.27_% DP que supera_piso 29 0.38 0.49 0.43 0.62 0.381 3.3
## IND 4_Congruência projetos de pesquisa com as linhas 4 0.42 0.23 0.769 1.6
## IND 5_Congruência dissertações/teses com as linhas de pesquisa 5 0.37 0.33 0.35 0.646 3.3
## IND 17_Média compet ENSINO 17 0.88 0.88 0.116 1.3
## IND 16_Média comp PESQ 16 0.34 0.86 0.90 0.103 1.5
## IND 19_Impacto carreira 23 0.36 0.85 0.90 0.102 1.5
## IND 18_Tempo Medio conc. (Ms) 18 0.58 0.76 0.94 0.057 2.0
## IND_18A Abando 22 0.45 0.37 0.626 2.7
## IND 13_% Orientadores 4-8 orient 13 0.64 0.47 0.530 1.3
## IND 18_Avaliação Mestrado 19 0.64 0.55 0.448 1.8
## IND 37_Página WEB 39 0.33 0.48 -0.39 0.50 0.505 2.8
## IND.28_concentr_20 30 -0.32 -0.48 0.41 0.588 2.6
## IND 9_DP lec grad/Total DP 9 0.46 0.39 0.613 2.7
## IND 9_10_DP ori IC/Total DP 10 0.45 0.28 0.724 1.7
## IND 3_%DP dividido 3 -0.43 0.30 0.704 2.1
## IND 7_%Disc/20%DP 7 -0.35 -0.41 -0.35 0.41 0.586 2.9
## IND.29_Prod.Tec. 31 0.31 0.36 0.39 0.615 4.0
## IND 12_%Orient DP/Tot Orient 12 0.76 0.59 0.405 1.1
## IND 2_%Col 2 -0.75 0.62 0.384 1.2
## IND 18_Avaliação Doutorado 21 0.53 0.65 0.78 0.222 2.3
## IND 8_%Proj Pes/ 20%DP 8 0.21 0.790 2.7
##
## RC1 RC2 RC4 RC3 RC5
## SS loadings 7.16 5.53 4.49 3.78 2.48
## Proportion Var 0.18 0.14 0.12 0.10 0.06
## Cumulative Var 0.18 0.33 0.44 0.54 0.60
## Proportion Explained 0.31 0.24 0.19 0.16 0.11
## Cumulative Proportion 0.31 0.54 0.73 0.89 1.00
##
## Mean item complexity = 2.2
## Test of the hypothesis that 5 components are sufficient.
##
## The root mean square of the residuals (RMSR) is 0.07
## with the empirical chi square 685.89 with prob < 0.00013
##
## Fit based upon off diagonal values = 0.95 pca_scores <- principal(tmp2[ , vars], nfactors =5, scores = TRUE, missing = TRUE)## Warning in cor.smooth(r): Matrix was not positive definite, smoothing was done # pca_scores$scores
temp_data2 <- cbind(as.data.frame(pca_scores$scores), conceito_16 = tmp2$conceito_16)
m4 <- lm( conceito_16~RC1+RC2+RC4+RC3+RC5, data=temp_data2)
sjt.lm( m4, show.std = TRUE)| conceito_16 | ||||||
| B | CI | std. Beta | CI | p | ||
| (Intercept) | 4.26 | 4.15 – 4.37 | <.001 | |||
| RC1 | 0.50 | 0.39 – 0.61 | 0.49 | 0.38 – 0.59 | <.001 | |
| RC2 | 0.73 | 0.62 – 0.84 | 0.70 | 0.60 – 0.81 | <.001 | |
| RC4 | 0.16 | 0.06 – 0.27 | 0.16 | 0.06 – 0.27 | .003 | |
| RC3 | 0.17 | 0.05 – 0.28 | 0.15 | 0.05 – 0.26 | .005 | |
| RC5 | -0.05 | -0.16 – 0.07 | -0.04 | -0.15 – 0.06 | .421 | |
| Observations | 84 | |||||
| R2 / adj. R2 | .781 / .767 | |||||
Estudo do H
ggplot(data = prod_docente_perm, mapping = aes(x = idade)) +
geom_histogram(binwidth = 2, alpha = 1/5) +
scale_x_continuous(breaks = seq(from = 20, to = 100, by = 5)) +
geom_freqpoly(binwidth = 2) +
theme_minimal()
ggplot(data = prod_docente_perm, mapping = aes(x = anos_de_dout)) +
geom_histogram(binwidth = 5, alpha = 1/5) +
scale_x_continuous(breaks = seq(from = 0, to = 50, by = 5)) +
geom_freqpoly(binwidth = 5) +
theme_minimal()
ggplot(data = prod_docente_perm, mapping = aes(x = anos_de_dout, y = idade, colour = H)) +
geom_point(alpha = 1/5) +
scale_y_continuous(breaks = seq(from = 20, to = 100, by = 5)) +
scale_x_continuous(breaks = seq(from = 0, to = 50, by = 5)) +
geom_smooth() +
theme_minimal()## `geom_smooth()` using method = 'gam'
ggplot(data = prod_docente_perm, mapping = aes(x = anos_de_dout, y = H,
alpha = idade, shape = sexo, colour = sexo)) +
geom_point(alpha = 1/5) +
scale_y_continuous(breaks = seq(from = 0, to = 60, by = 5)) +
scale_x_continuous(breaks = seq(from = 0, to = 60, by = 5)) +
geom_smooth(method = "lm") +
theme_minimal()## Warning: Removed 128 rows containing non-finite values (stat_smooth).## Warning: Removed 128 rows containing missing values (geom_point).
cria_quartis<- function(x) {
q <- quantile(x, probs = c(0, .25, .50, .75, 1) )
cut(x, q, ordered_result =FALSE, include.lowest = TRUE)
}
prod_docente_perm %>% filter(is.na(H) == FALSE) %>%
ggplot(aes(y = H , x = anos_de_dout, color = cria_quartis(idade))) +
geom_point(aes(alpha = 1/5)) +
geom_smooth(se=FALSE, method ='lm') +
theme_minimal() +
scale_color_manual(values = pal("five38"))
prod_docente_perm %>% filter(is.na(H) == FALSE) %>%
lm( H~anos_de_dout+I(cria_quartis(idade))+sexo, data=.) %>%
sjt.lm(show.std = TRUE)| H | ||||||
| B | CI | std. Beta | CI | p | ||
| (Intercept) | 2.92 | 1.84 – 4.00 | <.001 | |||
| anos_de_dout | 0.55 | 0.47 – 0.62 | 0.58 | 0.50 – 0.66 | <.001 | |
| I(cria_quartis(idade)) | ||||||
| (45,54] | -1.80 | -3.01 – -0.59 | -0.10 | -0.17 – -0.03 | .004 | |
| (54,62] | -2.92 | -4.28 – -1.56 | -0.16 | -0.24 – -0.09 | <.001 | |
| (62,84] | -4.19 | -5.96 – -2.42 | -0.23 | -0.32 – -0.13 | <.001 | |
| sexo | 0.54 | -0.33 – 1.41 | 0.03 | -0.02 – 0.09 | .225 | |
| Observations | 1068 | |||||
| R2 / adj. R2 | .215 / .211 | |||||
Análise de cluster via t-sne (ver https://lvdmaaten.github.io/tsne/)
## [1] "IND 1_Fator H" "IND 2_%Col"
## [3] "IND 3_%DP dividido" "IND 4_Congruência projetos de pesquisa com as linhas"
## [5] "IND 5_Congruência dissertações/teses com as linhas de pesquisa" "IND 6_Disc/DP"
## [7] "IND 7_%Disc/20%DP" "IND 8_%Proj Pes/ 20%DP"
## [9] "IND 9_DP lec grad/Total DP" "IND 9_10_DP ori IC/Total DP"
## [11] "IND 11_Defesa/DP" "IND 12_%Orient DP/Tot Orient"
## [13] "IND 13_% Orientadores 4-8 orient" "IND 14_% Egressos 1 item pub"
## [15] "IND 15_Escore médio itens egressos" "IND 16_Média comp PESQ"
## [17] "IND 17_Média compet ENSINO" "IND 18_Tempo Medio conc. (Ms)"
## [19] "IND 18_Avaliação Mestrado" "IND 18_Tempo Medio conc. (Dr)"
## [21] "IND 18_Avaliação Doutorado" "IND_18A Abando"
## [23] "IND 19_Impacto carreira" "IND 23_qualid Artigos"
## [25] "IND.24_qualid.livros_capítulos" "IND 25_Contribuição_média_DP "
## [27] "IND.26A %de melhoria qualidade média dos artigos " "IND.26B % de melhoria qualidade média dos livros"
## [29] "IND.27_% DP que supera_piso" "IND.28_concentr_20 "
## [31] "IND.29_Prod.Tec." "IND 30_intern_Tudo (%)"
## [33] "IND 31_H (Balanceado por área)" "IND 32_Colabor. Internac."
## [35] "IND 33_Escore médio Inserção Social " "IND 34_Taxa de emprego medida 0 Pesquisa C0EE"
## [37] "IND 36_Atuação na Educação (Pesquisa CNAEE)" "IND 36_Atuação 0 Educação superior (Pesquisa C0EE)"
## [39] "IND 37_Página WEB"## `geom_smooth()` using method = 'loess'
Análisie de cluster dos indicadores via ICLUST
## C35 C22 C10 C1
## IND 1_Fator H 1 0 0 0
## IND 2_%Col 0 0 0 -1
## IND 3_%DP dividido 0 -1 0 0
## IND 4_Congruência projetos de pesquisa com as linhas 1 0 0 0
## IND 5_Congruência dissertações/teses com as linhas de pesquisa 1 0 0 0
## IND 6_Disc/DP 1 0 0 0
## IND 7_%Disc/20%DP 0 -1 0 0
## IND 8_%Proj Pes/ 20%DP -1 0 0 0
## IND 9_DP lec grad/Total DP 1 0 0 0
## IND 9_10_DP ori IC/Total DP 1 0 0 0
## IND 11_Defesa/DP 1 0 0 0
## IND 12_%Orient DP/Tot Orient 0 0 0 1
## IND 13_% Orientadores 4-8 orient 0 1 0 0
## IND 14_% Egressos 1 item pub 1 0 0 0
## IND 15_Escore médio itens egressos 1 0 0 0
## IND 16_Média comp PESQ 1 0 0 0
## IND 17_Média compet ENSINO 1 0 0 0
## IND 18_Tempo Medio conc. (Ms) 1 0 0 0
## IND 18_Avaliação Mestrado -1 0 0 0
## IND 18_Tempo Medio conc. (Dr) 0 0 -1 0
## IND 18_Avaliação Doutorado 0 0 1 0
## IND_18A Abando 1 0 0 0
## IND 19_Impacto carreira 1 0 0 0
## IND 23_qualid Artigos 1 0 0 0
## IND.24_qualid.livros_capítulos 1 0 0 0
## IND 25_Contribuição_média_DP 1 0 0 0
## IND.26A %de melhoria qualidade média dos artigos 1 0 0 0
## IND.26B % de melhoria qualidade média dos livros 1 0 0 0
## IND.27_% DP que supera_piso 1 0 0 0
## IND.28_concentr_20 0 -1 0 0
## IND.29_Prod.Tec. 1 0 0 0
## IND 30_intern_Tudo (%) 1 0 0 0
## IND 31_H (Balanceado por área) 1 0 0 0
## IND 32_Colabor. Internac. 1 0 0 0
## IND 33_Escore médio Inserção Social 1 0 0 0
## IND 34_Taxa de emprego medida 0 Pesquisa C0EE 1 0 0 0
## IND 36_Atuação na Educação (Pesquisa CNAEE) 1 0 0 0
## IND 36_Atuação 0 Educação superior (Pesquisa C0EE) 1 0 0 0
## IND 37_Página WEB 1 0 0 0## score.items has been replaced by scoreItems, please change your call| conceito_16 | ||||||
| B | CI | std. Beta | CI | p | ||
| (Intercept) | 7.61 | -2.63 – 17.85 | .143 | |||
| C35 | 0.08 | 0.06 – 0.10 | 0.73 | 0.55 – 0.92 | <.001 | |
| C22 | -0.01 | -0.03 – 0.01 | -0.04 | -0.18 – 0.09 | .528 | |
| C10 | -0.01 | -0.03 – 0.00 | -0.17 | -0.35 – 0.01 | .065 | |
| C1 | -0.01 | -0.05 – 0.02 | -0.04 | -0.16 – 0.08 | .467 | |
| Observations | 84 | |||||
| R2 / adj. R2 | .719 / .704 | |||||
Análise de cluster via t-sne da área de psicologia (ver https://lvdmaaten.github.io/tsne/)
## `geom_smooth()` using method = 'loess'
## corrplot 0.84 loaded
### Análise de cluster via mds
## `geom_smooth()` using method = 'loess'
